CN108092323B - 一种含dfig的电力系统agc优化控制方法 - Google Patents

Abstract

本发明公开了一种含DFIG的电力系统AGC优化控制方法，将DFIG作为负的负荷纳入电力系统AGC的每个控制区中，DFIG包括下垂控制环节和转速控制器；分别获取下垂控制环节的出力响应以及转速控制器的输出功率，并计算DFIG需要输出的总有功功率；建立目标函数，利用PSO‑GSA算法求解目标函数，获取PSO‑GSA算法的适应值；判断是否满足结束条件，若是，则寻优过程结束，得到待优化参数的最优解；将待优化参数的最优解赋予电力系统AGC，通过响应电力系统频率的变化，使DFIG参与电力系统AGC的二次调频。本发明能改善传统同步发电机的调频压力，优化AGC控制，改善电力系统动态响应性能，提高电力系统稳定性。

Description

一种含DFIG的电力系统AGC优化控制方法

技术领域

本发明涉及风力发电技术领域，尤其涉及一种含DFIG的电力系统AGC优化控制方法。

背景技术

一个大电力系统是由几个区域电力系统通过联络线互联构成，各区域电力系统按预定计划进行功率交换，每一个区域电力系统的负荷、线路损耗与联络线净交换功率之和必须与该地区的发电出力相等。

区域电力系统之间的自动发电控制(Automatic Generation Control，AGC)一般采用联络线净交换功率偏差和频率偏差控制方式，各控制地区根据其区域控制误差(AreaControl Error，ACE)调整发电出力，以解决电力系统运行中的频率调节和负荷分配问题，以及与相邻区域的电力系统间按计划进行功率交换。

然而，国内外对于AGC的研究主要集中在两区域非再热式火电互联和多区域水火电力系统，此外，电力系统AGC的PID控制器参数在进行算法优化时，易出现收敛速度较慢和易陷入局部最优的问题。因此，现有的电力系统AGC具有同步发电机调频压力大，电力系统的动态频率稳定性较低等问题，进而影响电网的安全稳定运行。

发明内容

本发明提供一种含DFIG的电力系统AGC优化控制方法，通过将DFIG(Doubly-FedInduction Generator，双馈感应发电机)纳入电力系统AGC参与二次调频，并对DFIG和电力系统AGC相关参数的优化方法进行改进，能有效解决上述技术问题。

根据本发明实施例，提供一种含DFIG的电力系统AGC优化控制方法，电力系统AGC的每个控制区内包括PID控制器，所述方法包括：

将DFIG作为负的负荷纳入电力系统AGC的每个控制区中，所述DFIG包括下垂控制环节和附加的转速控制器；

分别获取所述下垂控制环节的出力响应以及所述转速控制器的输出功率，并计算所述DFIG需要输出的总有功功率；

建立目标函数，利用PSO-GSA算法求解所述目标函数，获取所述PSO-GSA算法的适应值；

判断是否满足结束条件；

如果满足结束条件，则寻优过程结束，得到待优化参数的最优解；

将所述待优化参数的最优解赋予所述电力系统AGC，通过响应电力系统频率的变化，使所述DFIG参与所述电力系统AGC的二次调频。

进一步地，所述下垂控制环节的输入量为系统频率偏差的最大值Δf_max。

可选地，所述下垂控制环节的输入端设置有Δf_max获取环节；所述Δf_max获取环节的输入量为系统频率偏差Δf，所述系统频率偏差Δf依次经过取绝对值环节|U|以及取最大值环节MAX后，所述Δf_max获取环节的输出量即为所述系统频率偏差的最大值Δf_max；所述Δf_max获取环节还包括记忆元件，所述记忆元件用于记忆和存储输入至所述下垂控制环节的系统频率偏差的最大值Δf_max。

进一步地，采用下式获取所述下垂控制环节的出力响应：

式中：ΔP_r为所述下垂控制环节的出力响应；R_w为风力发电机调差系数；K_pf为下垂系数。

进一步地，所述转速控制器为PI控制器，所述转速控制器的输入量为所述DFIG的给定转速与实际转速的偏差e，则采用下式获取所述转速控制器的输出功率：

ΔP_w＝K_wpe+K_wi∫edt

式中：ΔP_w为所述转速控制器的输出功率；K_wp为所述转速控制器的比例系数；K_wi为所述转速控制器的积分系数；

则所述DFIG需要输出的总有功功率ΔP_nc为：

ΔP_nc＝ΔP_r+ΔP_w

进一步地，所述DFIG还包括附加的频率变化率响应环节，所述频率变化率响应环节如下式所示：

式中：ΔP_f为频率变化率的响应；Δf_max为系统频率偏差的最大值；K_df为频率的微分权重系数。

进一步地，所述PSO-GSA算法对传统GSA算法进行粒子惯性质量修正，所述粒子惯性质量修正的权值数学表达式为：

式中：ω_i(t)为每个粒子惯性质量的权值；M_i(t)为修正前每个粒子的惯性质量；N_max为权值的最大值；N_min为权值的最小值；M_max为粒子惯性质量的最大值；M_min为粒子惯性质量的最小值；

则所述PSO-GSA算法中，修正后每个粒子的惯性质量M_i′(t)为：

M_i′(t)＝ω_i(t)×M_i(t)

进一步地，所述PSO-GSA算法采用粒子精英保留策略对传统GSA算法进行改进，则在t 时刻，在第d维搜索空间中，粒子i所受的作用力总和F_i ^d(t)为：

式中：N为第d维搜索空间中粒子的总数；K_best为d维搜索空间中起吸引作用的粒子数量； rand为随机函数；

为在t时刻粒子j在第d维搜索空间对粒子i的引力。

进一步地，所述PSO-GSA算法采用基于PSO算法的粒子全局记忆能力对传统GSA算法进行改进，改进后粒子的速度更新公式为：

式中：

为粒子i在t+1时刻在d维搜索空间的速度；

分别为粒子i在t时刻在d维搜索空间的速度、位置、加速度；

为个体极值，即粒子本身所寻到的最优解；

为全局极值，即种群所寻到的最优解；b₁、b₂为[0,1]之间的常数，通过调节b₁、b₂的大小可以控制PSO算法的记忆能力对万有引力搜索法的影响程度，平衡引力和群体记忆对算法的影响；rand_j、rand_k、rand_m为[0,1]之间的随机变量。

进一步地，以快速消除系统区域控制偏差和风机转速偏差为目的建立所述目标函数，所述目标函数如下式所示：

J＝min.∫[(ACE₁)²+(ACE₂)²+e²]dt

式中：J为所述目标函数的函数值，即为所述PSO-GSA算法的适应值；ACE₁、ACE₂分别为电力系统的区域控制偏差信号；e为转速偏差信号，即所述DFIG的给定转速与实际转速的偏差；

所述待优化参数包括：所述电力系统AGC控制区内的PID控制器的比例系数、积分系数和微分系数，以及所述转速控制器的比例系数和积分系数。

由以上技术方案可知，本发明提供的一种含DFIG的电力系统AGC优化控制方法，其中，DFIG包括下垂控制环节和附加的转速控制器，具有良好的频率响应能力。通过将改进的DFIG引入电力系统AGC，能有效改善传统同步发电机的调频压力，解决了含DFIG 的电力系统AGC二次调频的问题；从粒子惯性质量修正、粒子精英保留策略以及粒子全局记忆能力出发，针对GSA算法的加速机制和全局搜索策略做相应改进，得到PSO-GSA 算法，解决了基本GSA算法收敛速度较慢和PSO算法容易陷入局部最优的问题；利用 PSO-GSA算法求解目标函数，对电力系统AGC控制区的PID控制器和DFIG的转速控制器参数进行优化，显著改善了系统区域频率偏差、联络线功率变化、区域控制偏差信号的超调量和调节时间，优化AGC控制，提高电力系统的稳定性。

附图说明

图1为本发明实施例提供的计及DFIG的两区域电力系统AGC模型图；

图2为本发明实施例提供的改进的DFIG附加频率响应模块总图；

图3为本发明实施例提供的PSO-GSA算法优化PID参数的过程示意图；

图4为本发明实施例提供的不同算法下的迭代次数-适应值对比曲线图；

图5为本发明实施例提供的不同算法下的动态响应曲线图；

图6为本发明实施例提供的电力系统动态响应对比曲线图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1-图3所示，本发明实施例提供一种含DFIG的电力系统AGC优化控制方法，包括：

步骤一：将DFIG作为负的负荷纳入电力系统AGC的每个控制区中，所述DFIG包括下垂控制环节和附加的转速控制器。

如图1所示，为本发明实施例提供的计及DFIG的两区域电力系统AGC模型图，该电力系统AGC包括控制区1和控制区2，每个控制区都包括PID控制器、调速器、原动机、控制环节以及DFIG等。

其中，额定频率为50Hz，调速器时间常数T_g1＝T_g2＝0.08s，非再热式汽轮机(原动机) 时间常数T_t1＝T_t2＝0.4s，负荷阻尼系数T_p1＝T_p2＝20s，K_p1＝K_p2＝120Hz/pu，调速器调节常数 R₁＝R₂＝2.4，T₁₂＝0.0866(标幺值)。ACE₁为控制区1的区域控制偏差，ACE₂为控制区2的区域控制偏差；Δf₁为控制区1的系统频率偏差，Δf₂为控制区2的系统频率偏差；P_L1为控制区1的负荷扰动，P_L2为控制区2的负荷扰动，设P_L1和P_L2为阶跃变化。

PID控制器的传递函数为：

式中：i＝1,2；K_pi、K_ii、K_di分别为PID控制器的比例增益、积分增益、微分增益。

频率控制器采用联络线功率频率偏差(TBC-TBC)，两控制区的区域控制偏差信号为：

式中：ΔP_T为联络线实际交换功率和计划交换功率的偏差；B为控制区的频率响应系数，为负值(MW/0.1Hz)；Δf₁为控制区1的系统频率偏差，Δf₂为控制区2的系统频率偏差。

电力系统区域之间AGC是根据ACE实现对机组的控制，通过调整机组的出力来改变系统总的发电水平，使ACE信号在机组有功功率连续调节下逐渐趋于零，从而保证整个系统发电机的出力和负荷平衡。电力系统在给定的联络线交换功率的前提下，各个控制区域只对本区域的负荷扰动进行控制，由系统的负荷频率控制器对系统的频率和联络线功率进行同时控制。

通常情况下，DFIG由于其解耦控制不具备频率响应能力，为减弱风电并网给电力系统带来的冲击，通常在DFIG中加入虚拟惯性控制环节，通过电网频率变化调节风功率跟踪曲线，释放风电机组“隐藏”动能，使DFIG能够快速响应系统频率变化，增大了电网的惯性，实现风电机组对电网频率的动态支持，保证电力系统安全稳定运行。

如图2所示，为本发明实施例提供的改进的DFIG附加频率响应模块总图。其中，P_ncref为某风速下风力机输出的减载功率；P_m为风力机输出的机械功率；ΔP_f为风力机惯性响应环节的增加出力；P_r为下垂控制环节的出力响应；P_w为转速控制器的输出功率；ΔP_nc为DFIG需要输出的总有功功率；T_wt为风力机的时间常数，其值取0.2。

为了使DFIG更大限度且更稳定的向系统提供有功功率，改善系统频率响应特性，进一步地，所述下垂控制环节的输入量为系统频率偏差的最大值Δf_max。

所述下垂控制环节的输入端设置有Δf_max获取环节；所述Δf_max获取环节的输入量为系统频率偏差Δf，电力系统AGC的每个控制区各自对应一个系统频率偏差Δf和DFIG，例如，对于图1中控制区1内的DFIG，其Δf_max获取环节的输入量即为控制区1的系统频率偏差Δf₁。

由于Δf会震荡，可能出现负值，因此，所述系统频率偏差Δf首先经过取绝对值环节|U|，使Δf符号取正；然后经取最大值环节MAX后，所述Δf_max获取环节的输出量即为所述系统频率偏差的最大值Δf_max；所述Δf_max获取环节还包括记忆元件，所述记忆元件用于记忆和存储输入至所述下垂控制环节的系统频率偏差的最大值Δf_max，并将存储的Δf_max作为DFIG的输入值，使DFIG根据频率偏差提供一个固定的有功功率，使系统响应更稳定。

步骤二：分别获取所述下垂控制环节的出力响应以及所述转速控制器的输出功率，并计算所述DFIG需要输出的总有功功率。

进一步地，采用下式获取所述下垂控制环节的出力响应：

式中：ΔP_r为所述下垂控制环节的出力响应；R_w为风力发电机调差系数；K_pf为下垂系数。

因为下垂控制环节需快速响应系统频率变化率并提供有功功率支撑，因此，DFIG还包括附加的频率变化率响应环节，所述频率变化率响应环节如下式所示：

式中：ΔP_f为频率变化率的响应；Δf_max为系统频率偏差的最大值；K_df为频率的微分权重系数。

此时，风力机的机械惯量方程为：

式中：H^*为风机惯性时间常数，取值为3。

所述转速控制器为PI控制器，所述转速控制器的输入量为所述DFIG的给定转速与实际转速的偏差e，则采用下式获取所述转速控制器的输出功率：

ΔP_w＝K_wpe+K_wi∫edt

式中：ΔP_w为所述转速控制器的输出功率；K_wp为所述转速控制器的比例系数；K_wi为所述转速控制器的积分系数；

则所述DFIG需要输出的总有功功率ΔP_nc为：

ΔP_nc＝ΔP_r+ΔP_w

当系统发生负荷突变时，系统频率下降(上升)，DFIG通过释放(吸收)其转子的旋转动能，向系统提供有功功率和惯性支持，以迅速阻尼系统频率变化，改善系统频率响应特性。

步骤三：建立目标函数，利用PSO-GSA算法求解所述目标函数，获取所述PSO-GSA算法的适应值。

由于引入DFIG，所建立的目标函数不仅要使ACE尽快恢复至零，同时需引入风机转子的转速偏差信号，并使其尽快恢复至零，即以快速消除系统区域控制偏差和风机转速偏差为目的建立所述目标函数，所述目标函数如下式所示：

J＝min.∫[(ACE₁)²+(ACE₂)²+e²]dt

式中：J为所述目标函数的函数值，即为所述PSO-GSA算法的适应值；ACE₁、ACE₂分别为电力系统的区域控制偏差信号；e为转速偏差信号，即所述DFIG的给定转速与实际转速的偏差。

从粒子惯性质量修正、粒子精英保留策略以及粒子全局记忆能力出发，针对GSA算法的加速机制和全局搜索策略做相应改进，可得到结合PSO(Particle SwarmOptimization，粒子群优化)和GSA(Gravitational Search Algorithm，引力搜索算法)优点的混合优化算法PSO-GSA。

(1)粒子惯性质量修正

在GSA算法中，每个粒子的惯性质量由粒子所在位置所求得的适应值决定。粒子的惯性质量越大越容易吸引其它粒子向其移动，该粒子所代表的优化问题的解越接近搜索空间中的最优解。因此本申请中，对每一个粒子设定一个相应的权值，使惯性质量大的粒子在算法的下一次迭代过程中拥有更大的惯性质量，而惯性质量小的粒子在下一次迭代过程中其惯性质量变小。所述粒子惯性质量修正的权值数学表达式为：

式中：ω_i(t)为每个粒子惯性质量的权值；M_i(t)为修正前每个粒子的惯性质量；N_max为权值的最大值；N_min为权值的最小值；M_max为粒子惯性质量的最大值；M_min为粒子惯性质量的最小值；

则所述PSO-GSA算法中，修正后每个粒子的惯性质量M_i′(t)为：

M_i′(t)＝ω_i(t)×M_i(t)

(2)粒子精英保留策略

GSA算法中为使搜索和求解达到平衡，提高算法的求解速度，应当在迭代过程中逐步减少粒子的数目。因此本申请中，在算法的每一步迭代过程中，仅考虑一部分惯性质量较大的粒子对其它粒子的作用。假设搜索空间中惯性质量比较大起吸引作用的粒子数量为K_best，它是一个时间函数。初始化K_best为K₀，随着迭代进行，K_best逐渐变小。到迭代最后仅剩下少数粒子吸引其他粒子。因此，在t时刻，在第d维搜索空间中，粒子i所受的作用力总和F_i ^d(t)为：

式中：N为第d维搜索空间中粒子的总数；K_best为d维搜索空间中起吸引作用的粒子数量； rand为随机函数；

为在t时刻粒子j在第d维搜索空间对粒子i的引力。

(3)粒子全局记忆能力

GSA和PSO两种元启发式智能优化算法均是通过粒子在空间内的移动寻求最优解。GSA算法仅利用当前位置的影响来更新位置，并没有考虑粒子的记忆能力。在PSO算法中，不但考虑了粒子自身的位置，也考虑了粒子间的群体信息交流。为了避免GSA收敛速度过慢和PSO 容易陷入局部最优，本申请引入PSO算法的全局记忆能力来改进GSA算法局部搜索能力不足的缺陷。

引入PSO算法的全局记忆能力后，新的PSO-GSA算法既遵循万有引力定律和牛顿第二定律，又具备了PSO算法的记忆和群体交流功能。

改进后粒子的速度更新公式为：

式中：

为粒子i在t+1时刻在d维搜索空间的速度；

分别为粒子i在t时刻在d维搜索空间的速度、位置、加速度；

为个体极值，即粒子本身所寻到的最优解；

为全局极值，即种群所寻到的最优解；b₁、b₂为[0,1]之间的常数，通过调节b₁、b₂的大小可以控制PSO算法的记忆能力对万有引力搜索法的影响程度，平衡引力和群体记忆对算法的影响；rand_j、rand_k、rand_m为[0,1]之间的随机变量。

本申请提出的PSO-GSA算法能充分克服GSA算法收敛速度较慢和PSO易陷入局部最优的问题，使参数优化结果更加可靠，系统的稳定性更高。

图3为PSO-GSA算法优化PID参数的过程示意图，步骤三执行方式为：产生PSO-GSA中的粒子数值，然后在Simulink中，粒子赋值给PID中需要优化的参数，运行系统仿真，输出性能指标，这里的性能指标是指所述PSO-GSA算法的适应值，也即是目标函数的函数值J。

然后执行步骤四：判断是否满足结束条件。具体地，判断步骤三所获取的PSO-GSA算法的适应值是否小于或等于设定的阈值，如果适应值小于或等于阈值，则满足结束条件；如果适应值大于阈值，则不满足结束条件，需要更新PSO-GSA粒子操作，然后返回初始阶段重新执行寻优过程。

步骤五：如果满足结束条件，则寻优过程结束，得到待优化参数的最优解。所述待优化参数包括：所述电力系统AGC控制区内的PID控制器的比例系数K_pi、积分系数K_ii和微分系数K_di(i＝1,2)，以及所述转速控制器的比例系数K_wp和积分系数K_wi。

步骤六：将所述待优化参数的最优解赋予所述电力系统AGC，通过响应电力系统频率的变化，使所述DFIG参与所述电力系统AGC的二次调频。

下面进行仿真分析，在Matlab/Simulink中构建如图1所示的两区域电力系统AGC控制模型，假设两个区域具有相同的的容量且运行特性相似，全部常规发电机装机容量为2800MW，将容量为1200MW的DFIG作为“负的负荷”纳入控制区2。建立目标函数为： J＝min.∫[(ACE₁)²+(ACE₂)²+e²]dt。

仿真时，同步机参数与图1参数保持一致，图2中取DFIG风速v＝9m/s，桨距角β＝0°，频率测量时间常数T_r＝0.1，滤波器时间常数T_w＝6，负荷扰动为0.2pu。分别采用PSO、GSA、 PSO-GSA算法进行仿真，其中，粒子数50，迭代次数100，仿真时间30秒。不同算法对应的仿真参数结果如表1所示，图4为采用三种算法的迭代次数-适应值对比曲线。

表1

从图4可以看出，采用PSO算法在迭代10次左右即可收敛，且适应度值小于0.2，但仿真时发现，PSO收敛速度虽快，却存在容易陷入局部最优的缺陷。GSA算法收敛速度相较于PSO算法慢，但换来的好处是改善了粒子的适应值。PSO-GSA结合PSO收敛速度快和GSA适应值好的优点，同时克服了PSO易陷入局部最优值的缺陷。仿真表明，PSO-GSA 算法的收敛速度介于PSO和GSA之间，适应值达到0.08196，其适应值在三种方法中最小，更接近于零，可以更快速地消除系统区域控制偏差和风机转速偏差，可见本发明提供的PSO-GSA算法能充分克服GSA算法收敛速度较慢和PSO易陷入局部最优的问题，使参数优化结果更加可靠，系统的稳定性更高。

其次，参考表1所获得的参数结果，对系统动态响应性能进行仿真分析。仿真时，控制区2在1秒时施加固定的0.2pu扰动负荷，得到如图5所示的不同算法动态响应曲线以及如图6所示的风电参与/不参与调频时电力系统动态响应对比曲线。

从图5可知，由于负荷的增大，系统频率响应出现了明显的下跌。如图5(b)中，为联络线功率偏差ΔP_T的动态响应曲线，采用PSO-GSA算法时最高为0.055pu，相比于 PSO算法和GSA算法，PSO-GSA算法有效地减小了区域之间联络线的功率偏差以及稳定时间；图5(c)中，采用PSO算法时系统频率偏差Δf₁为-0.4HZ，而采用PSO-GSA算法时，控制区1系统频率偏差Δf₁的最大值仅为-0.18HZ，大大降低了系统频率偏差Δf₁；由图 5可知，相比于PSO与GSA，采用PSO-GSA算法时，区域控制偏差ACE₂、联络线功率偏差ΔP_T以及系统频率偏差(Δf₁、Δf₂)均有明显的改善。因而，本申请所提出PSO-GSA算法更加适用于区域负荷频率模型，表现出更好的鲁棒性和动态稳定性。

仿真时，在控制区2中，依然加入固定的负荷扰动0.2pu，采用PSO-GSA算法，而保持系统其他的参数不变。由图6(a)可知，由于改进的DFIG响应系统的频率变化后，能够在短期时间内提供较大的有功功率支撑，同步发电机出力ΔP_G将会减小，DFIG的参与有效地减轻了同步发电机的调频压力。

由图6(b)可知，本申请改进的DFIG能够感知系统频率的变化，主动释放风机内部储备的有功功率以支撑系统频率，因而减小了系统频率的跌落并减缓了频率的变化过程，且采用改进后DFIG提供的附加功率ΔP_W(即转速控制器输出的功率)比改进前DFIG 多了0.08pu。

由图6(c)可知，DFIG不参与调频时，区域控制偏差ACE₂最大为0.35pu，改进前DFIG参与调频时ACE₂最大为0.17pu，虽有明显改善，但比改进DFIG参与调频时的ACE₂最大值仍多0.02pu；由图6(d)可知，对于联络线功率偏差ΔP_T，DFIG不参与调频时Δ P_T最大值达到了0.15pu，改进前DFIG参与调频时ΔP_T最大值为0.05pu，而改进后DFIG 参与调频时ΔP_T最大值进一步降为0.03pu。

由图6(e)、6(f)可以看出，发生于控制区2的负荷扰动会向邻近的控制区1传播，当DFIG不参与系统调频时，系统频率偏差Δf₁和Δf₂最大跌落均超过了0.5Hz，而改进前DFIG参与系统调频时，Δf₁、Δf₂最大跌落分别减小到0.17pu和0.28pu，改进后DFIG参与系统调频时，Δf₁、Δf₂进一步减小到0.09pu和0.17pu，系统动态频率稳定性得到明显改善。

由以上技术方案可知，本发明提供的一种含DFIG的电力系统AGC优化控制方法，其中，改进后的DFIG包括下垂控制环节和附加的转速控制器，具有良好的频率响应能力。通过将改进的DFIG引入电力系统AGC，能有效改善传统同步发电机的调频压力，解决了含DFIG的电力系统AGC二次调频的问题；从粒子惯性质量修正、粒子精英保留策略以及粒子全局记忆能力出发，针对GSA算法的加速机制和全局搜索策略做相应改进，得到 PSO-GSA算法，解决了基本GSA算法收敛速度较慢和PSO算法容易陷入局部最优的问题， PSO-GSA算法对传统PID控制器进行参数优化时，能增强算法的收敛性能，使算法的适应度得到改善；改进后的DFIG参与电力系统调频，并利用PSO-GSA算法求解目标函数，对电力系统AGC控制区的PID控制器和DFIG的转速控制器参数进行优化，显著改善了系统区域频率偏差、联络线功率变化、区域控制偏差信号的超调量和调节时间，优化AGC 控制，提高电力系统的动态响应性能和稳定性。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种含DFIG的电力系统AGC优化控制方法，电力系统AGC的每个控制区内包括PID控制器，其特征在于，所述方法包括：

将DFIG作为负的负荷纳入电力系统AGC的每个控制区中，所述DFIG包括下垂控制环节和附加的转速控制器；

分别获取所述下垂控制环节的出力响应以及所述转速控制器的输出功率，并计算所述DFIG需要输出的总有功功率；

建立目标函数，利用PSO-GSA算法求解所述目标函数，获取所述PSO-GSA算法的适应值；

判断是否满足结束条件；

如果满足结束条件，则寻优过程结束，得到待优化参数的最优解；

将所述待优化参数的最优解赋予所述电力系统AGC，通过响应电力系统频率的变化，使所述DFIG参与所述电力系统AGC的二次调频；

以快速消除系统区域控制偏差和风机转速偏差为目的建立所述目标函数，所述目标函数如下式所示：

J＝min.∫[(ACE₁)²+(ACE₂)²+e²]dt

式中：J为所述目标函数的函数值，即为所述PSO-GSA算法的适应值；ACE₁为电力系统中控制区1的区域控制偏差信号；ACE₂为电力系统中控制区2的区域控制偏差信号；e为转速偏差信号，即所述DFIG的给定转速与实际转速的偏差。

2.根据权利要求1所述的方法，其特征在于，所述下垂控制环节的输入量为系统频率偏差的最大值Δf_max。

3.根据权利要求2所述的方法，其特征在于，所述下垂控制环节的输入端设置有Δf_max获取环节；所述Δf_max获取环节的输入量为系统频率偏差Δf，所述系统频率偏差Δf依次经过取绝对值环节|U|以及取最大值环节MAX后，所述Δf_max获取环节的输出量即为所述系统频率偏差的最大值Δf_max；所述Δf_max获取环节还包括记忆元件，所述记忆元件用于记忆和存储输入至所述下垂控制环节的系统频率偏差的最大值Δf_max。

4.根据权利要求3所述的方法，其特征在于，采用下式获取所述下垂控制环节的出力响应：

式中：ΔP_r为所述下垂控制环节的出力响应；R_w为风力发电机调差系数；K_pf为下垂系数。

5.根据权利要求4所述的方法，其特征在于，所述转速控制器为PI控制器，所述转速控制器的输入量为所述DFIG的给定转速与实际转速的偏差e，则采用下式获取所述转速控制器的输出功率：

ΔP_w＝K_wpe+K_wi∫edt

式中：ΔP_w为所述转速控制器的输出功率；K_wp为所述转速控制器的比例系数；K_wi为所述转速控制器的积分系数；则采用下式计算所述DFIG需要输出的总有功功率：

ΔP_nc＝ΔP_r+ΔP_w

式中：ΔP_nc为DFIG需要输出的总有功功率。

6.根据权利要求2-5任一项所述的方法，其特征在于，所述DFIG还包括附加的频率变化率响应环节，所述频率变化率响应环节如下式所示：

式中：ΔP_f为频率变化率的响应；Δf_max为系统频率偏差的最大值；K_df为频率的微分权重系数。

7.根据权利要求1所述的方法，其特征在于，所述PSO-GSA算法对传统GSA算法进行粒子惯性质量修正，所述粒子惯性质量修正的权值数学表达式为：

式中：ω_i(t)为每个粒子惯性质量的权值；M_i(t)为修正前每个粒子的惯性质量；N_max为权值的最大值；N_min为权值的最小值；M_max为粒子惯性质量的最大值；M_min为粒子惯性质量的最小值；

则所述PSO-GSA算法中，修正后每个粒子的惯性质量为：

M_i′(t)＝ω_i(t)×M_i(t)

式中：M_i′(t)为修正后每个粒子的惯性质量。

8.根据权利要求1所述的方法，其特征在于，所述PSO-GSA算法采用粒子精英保留策略对传统GSA算法进行改进，则在t时刻，在第d维搜索空间中，粒子i所受的作用力总和F_i ^d(t)为：

式中：N为第d维搜索空间中粒子的总数；K_best为d维搜索空间中起吸引作用的粒子数量；rand为随机函数；

为在t时刻粒子j在第d维搜索空间对粒子i的引力。

9.根据权利要求1所述的方法，其特征在于，所述PSO-GSA算法采用基于PSO算法的粒子全局记忆能力对传统GSA算法进行改进，改进后粒子的速度更新公式为：

式中：

为粒子i在t+1时刻在d维搜索空间的速度；

分别为粒子i在t时刻在d维搜索空间的速度、位置、加速度；

为个体极值，即粒子本身所寻到的最优解；

为全局极值，即种群所寻到的最优解；b₁、b₂为[0,1]之间的常数，通过调节b₁、b₂的大小可以控制PSO算法的记忆能力对万有引力搜索法的影响程度，平衡引力和群体记忆对算法的影响；rand_j、rand_k、rand_m为[0,1]之间的随机变量。

10.根据权利要求5所述的方法，其特征在于，所述待优化参数包括：所述电力系统AGC控制区内的PID控制器的比例增益、积分增益和微分增益，以及所述转速控制器的比例系数和积分系数。

Images